科研之友
微信
新浪微博
Facebook
分享链接
摘要
自20世纪90年代起，网络用作语料库（Web as Corpus，简称WaC）已经成为获取大量文本数据的主要方式，其分析研究可被用作验证很多语言学假设的证据，其他应用方法还包括：自然语言处理工具和方法的评估，计算机词典编纂，以及对趋势或话题监测的大量文本实操分析。基于网络来构建语料库的优势有很多，例如低成本、效率高、实效好；但其弊端依然显著，例如，非常有限的源数据（metadata）、难以自动化清理网络文本内容等。这篇文献综述聚焦网络用作语料库过往相关研究，尤其是WaC经典示例和爬虫技术所面临的挑战。
